CN116787225A - 一种基于声振信号特征融合图的旋转刀具磨损监测方法 - Google Patents
一种基于声振信号特征融合图的旋转刀具磨损监测方法 Download PDFInfo
- Publication number
- CN116787225A CN116787225A CN202310380723.8A CN202310380723A CN116787225A CN 116787225 A CN116787225 A CN 116787225A CN 202310380723 A CN202310380723 A CN 202310380723A CN 116787225 A CN116787225 A CN 116787225A
- Authority
- CN
- China
- Prior art keywords
- abrasion
- feature
- features
- value
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005299 abrasion Methods 0.000 title claims abstract description 80
- 230000004927 fusion Effects 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 50
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 230000001133 acceleration Effects 0.000 claims description 95
- 238000005520 cutting process Methods 0.000 claims description 73
- 239000011159 matrix material Substances 0.000 claims description 44
- 238000012216 screening Methods 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 20
- 238000011176 pooling Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 230000005236 sound signal Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 208000035874 Excoriation Diseases 0.000 abstract description 70
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 25
- 239000013598 vector Substances 0.000 description 12
- 238000003754 machining Methods 0.000 description 10
- 239000000306 component Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000004913 activation Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 239000010749 BS 2869 Class C1 Substances 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000002679 ablation Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000002173 cutting fluid Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于声振信号特征融合图的旋转刀具磨损监测方法,对检测信号进行时域、频域、波形和小波域特征提取,并将提取的特征与刀具磨损值进行相关性计算,选取相关系数大的特征与旋转刀具本征特征进行融合,来建立刀具磨损的特征融合图数据集;而且,使用模型融合技术建立具有三层网络融合的集成神经网络架构,采用特征融合图数据集进行训练和验证。本发明建立的集成神经网络对旋转刀具磨损的预测准确率达到了97.85%,且对前期磨损、中前期磨损、中期磨损、中后期磨损、后期磨损和失效的6种磨损等级中单个磨损类别的预测结果中,除中后期磨损的准确率未达到0.9,其余磨损类别的预测准确率均在0.95以上。
Description
技术领域
本发明属于刀具磨损状态监测技术领域,具体涉及一种基于声振信号特征融合图的旋转刀具磨损状态监测方法。
背景技术
机械加工领域中,数控机床是适应于不同规模和不同批量工件加工的核心装备,旋转刀具是数控加工过程中核心部件,两者之间的相互配合可以实现精密复杂的多种类型的加工工序。刀具作为机械加工中与工件接触的直接参与者,按照指定走刀路径去除工件上的多余材料形成加工表面。形成待加工表面的整个过程中,旋转刀具每个刀刃的后刀面与工件成形表面接触相互摩擦形成渐进磨损致使刀具磨钝。在机械制造加工中刀具磨损是影响零件加工表面质量和机床服役寿命的直接影响因素。据统计,切削加工中因刀具失效引起的停工时间占据总停工时间的20%,因刀具本身和换刀增加的成本占据总成本的3%~12%。及时获取刀具磨损状态能够有效避免因刀具异常引起的工件质量问题,通过对磨损刀具进行修磨来提高刀具的利用率以减少成本。
刀具磨损状态辨识从测量方式上分为直接法和间接法,直接法是使用高速相机配合机器视觉技术根据刀具磨损图像上的信息实现状态识别,一方面,通过直接法进行刀具磨损状态辨别很难排除切削液油污、工件切屑飞溅和加工环境光线等影响,最终导致刀具磨损状态识别误差较大,另一方面,直接法需要给图像采集仪器在机床内部提供合适的安装空间,因此很难适用于具有复杂工序的真实加工环境中,因此直接法很难实现刀具磨损状态的在线监测。间接法是通过采集切削过程中产生的多种物理信号,分析与刀具磨损相关的信号来监测刀具磨损的状态。间接法不仅可以排除直接法中恶劣切削环境对数据的影响,而且对机床机械部分的改动较少更容易实现在线检测。切削过程中的物理量有切削力、振动、声等信号,选择合适的信号进行分析不仅能提高磨损状态识别的正确率,而且可以降低设备维护的总成本,给企业间接带来更多利润。
力信号对金属切削过程中磨损刀具与材料之间的接触条件变化敏感,磨损刀具对应的剪切应力和挤压应力变化较大,并且研究表明切削力对磨损刀具最敏感,是引起振动信号、声信号和声发生信号的直接原因。但是,力传感器的价格昂贵,很难普及到中小型规模的加工企业或公司,瑞士公司Kistler的力传感器凭借高精度测量切削过程中的动态力受到了众多加工领域研究学者的一致认可,但其价格近似是一台百万级CNC数控加工中心的60%~80%,此外力传感器的固定不仅要考虑机床本身内部空间布局,还要对工装夹具进行大幅度的改造,一旦工件的尺寸变化较大,夹具根据工件尺寸和力传感器器尺寸需要进行重新设计。综上所述,使用力传感器进行刀具状态监测并非首选。与力传感高昂的价格相比,用于采集振动信号的加速度传感器具有价格低、安装方便且无需对机床本体做大幅的机械改造的特点。此外,研究表明,切削过程中周期性变化的切削力动态分量是引起振动的主要原因,因此使用加速度传感器代替力传感器去监测刀具磨损状态是合理的。刀具磨损过程中的切削噪声包含丰富的切削信息,可以说明刀具的磨损状态,经验丰富的加工者可以通过人耳根据切削过程中的噪声判断刀具磨损、刀具刃口出现崩刃、刀齿烧蚀以及其他各种异常状态。研究表明,切削噪声的声压级随着刀具磨损至破损逐渐变大,刃口的前部刀面磨损对声信号的影响集中在频谱图的2.75kHz~350kHz。
目前,针对刀具磨损状态监测问题,所采用的研究思路和解决方法存在以下缺陷:(1)从硬件上来说多数使用力传感器或加速度传感器,使用单种类单个传感器进行监测很难排除切削环境中其他机床的噪声影响和安装固定大尺寸工件引起的振动影响,此外加工中出现的异常一旦破坏其中的一种传感器整个刀具状态监测系统将面临瘫痪的问题。(2)刀具磨损状态监测的间接法以特征驱动为主,其中多数仅仅使用机器学习的特征筛选算法或深度学习的神经网络进行特征的自动筛选,前者多数是在单通道信号的时域或频域上进行特征筛选,存在的局限性较大,后者存在训练时间长和解释性较差等问题。(3)基于计算机视觉的刀具磨损状态监测的训练集多数以切削信号的时序图、FFT的频谱图、STFT的时频图为主,这些信号图仅考虑切削信号本身的信息,没有考虑刀具状态的本征信息,很难将刀具磨损相关的高度相关特征直观的表现出来。(4)刀具磨损状态的决策模型仅仅依赖单个机器学习算法或单个深度学习神经网络模型,在训练时间少和批量数据小时实现刀具磨损状态高精准率判别和低泛化误差将变得很困难。
发明内容
本发明针对现有旋转刀具磨损状态在线监测技术使用单通道信号监测刀具磨损状态精度低、单一模型监测旋转刀具磨损状态通用性差与泛化误差大,尤其是刀具磨损信号特征提取较慢与可视化差等问题,提供了一种基于声振信号特征融合图的旋转刀具磨损监测方法,其是一种将时域刀具磨损信号通过频谱变换和小波变换后实现从时域、频域和小波域内提取多域刀具磨损信号特征并考虑刀具本征特征的方法;是一种通过刀具磨损信号特征相关性分析并结合高维特征压缩的主成分提取技术从多域刀具磨损信号特征中高效提取与刀具后刀面磨损量高度相关的声振信号特征并进行融合的方法;是一种综合考虑刀具磨损引起的多通道信号变化与多域特征特点并通过信息图表征进而实现高效可视化的方法;是一种运用集成学习技术将多个小型轻量卷积神经网络进行模型融合后实现旋转刀具后刀面磨损状态高准确率和低泛化误差的监测方法;是一种集刀具磨损信号关键特征提取、刀具磨损量高度相关信号特征高效可视化与刀具后刀面磨损状态快速识别于一体的旋转刀具磨损状态高性能监测方法。
本发明一种基于声振信号特征融合图的旋转刀具磨损监测方法,具体如下:
步骤一、设置切削参数和走刀路径。
步骤二、搭建声振信号刀具磨损测试平台,声振信号刀具磨损测试平台包括电子显微镜、信号采集仪、三向加速传感感器、声级计和图像采集设备,图像采集设备包括立式工业相机和卧式工业相机,三向加速度传感器与机床的主轴固定,声级计、立式工业相机和卧式工业相机均与机床的工作台固定。
步骤三、进行切削实验并获取切削过程的三向加速度信号、声信号、VB值和磨损图像。
步骤四、从三向加速度信号的每个方向加速度信号中提取时域特征和波形特征,共11类特征值,分别为均值、标准差、偏度、峰度、峰峰值、均方根、波峰因子、波形因子、脉冲因子、裕度因子、能量。然后,从三向加速度信号的每个方向加速度信号中提取频域特征,共11类特征值,分别为频域幅值平均值、重心频率、均方频率、频率方差、频率幅值方差、平均频率、中值频率、总功率、平均功率、最大功率对应频率和低频功率与高频功率比。接着,使用小波变换对三向加速度信号的每个方向加速度信号进行小波包分解和小波包重构处理,获取8个小波能量比、8个小波能量熵、1个小波能谱熵,同时对三向加速度信号进行奇异分解获取1个小波包奇异谱熵。完成时域、波形、频域、小波域特征提取后,从三向加速度信号得到振动信号特征矩阵。最后,针对声信号,仅在时域上进行特征提取,得到声信号特征矩阵。
步骤五、先求三向加速度信号的时域特征、频域特征和小波域特征与三个刀刃后刀面VB值平均值的相关系数,再求声信号的时域特征与三个刀刃后刀面VB值平均值的相关系数。
步骤六、筛选出与三个刀刃后刀面VB值平均值的相关系数大于0.5的特征,得到筛选特征矩阵,对筛选特征矩阵中各元素进行均值归0操作,然后实现三向加速度信号、声信号特征与旋转刀具本征特征的融合。
步骤七、将旋转刀具的磨损等级分为6类,见下表,其中,刀具磨损值区间中的磨损值指的是三个刀刃后刀面磨损带宽的平均值;
磨损等级 | 磨损状态 | 磨损值区间 | 样本数量 |
1 | 前期磨损 | 0-80 | 143 |
2 | 中前期磨损 | 80-95 | 179 |
3 | 中期磨损 | 95-100 | 105 |
4 | 中后期磨损 | 100-120 | 195 |
5 | 后期磨损 | 120-150 | 160 |
6 | 失效 | >150 | 163 |
步骤八、建立刀具磨损的特征融合图数据集。
步骤九、使用模型融合技术建立集成神经网络架构并进行训练和验证,具体为:搭建基于特征融合图的集成神经网络,主要由网络一、网络二、网络三和投票器组件构成;网络一作为集成神经网络的上层架构,结构为2个卷积激活层、3个全连接层和1个Softmax分类器。网络二作为集成神经网络的中层架构,结构为从左至右的2个卷积激活层与1个卷积池化层的组合层、2个卷积激活层与1个卷积池化层的组合层、3个卷积激活层与1个卷积池化层的组合层、3个卷积激活层与1个卷积池化层的组合层、3个卷积激活层与1个卷积池化层的组合层、2个带损失的全连接激活层、1个全连接层和1个Sotfmax分类器。网络三作为集成神经网络的下层架构,结构为1个卷积激活层与1个卷积池化层的组合层、1个卷积激活层与1个卷积池化层的组合层、3个卷积激活层与1个卷积池化层的组合层、2个带损失的全连接激活层、1个全连接激活层、1个全连接层和1个Softmax分类器。设置损失函数和迭代器,通过训练集对基于特征融合图的集成神经网络进行训练,建立基于特征融合图的集成神经网络模型指标,对基于特征融合图的集成神经网络在测试集上进行验证。
优选地,步骤三具体为:机床带动旋转刀具按照设置的切削参数和走刀路径对工件进行加工,加工过程中,三向加速度传感器和声级计的信号曲线一旦出现异常,或完成一次走刀后,机床的主轴停止旋转并上升复位,三向加速度传感器和声级计停止信号采集,工作平台运动至图像采集设备对准旋转刀具,卧式工业相机拍摄旋转刀具侧部刀刃后刀面磨损部位的图像,测量三个刀刃对应的VB值,立式工业相机拍摄旋转刀具底部刀刃的磨损图像。在进行下一次走刀前,将三向加速度信号、声信号、VB值和磨损图像进行存储。对3个旋转刀具进行试验,每个旋转刀具记录n=315次走刀对应的三向加速度信号、声信号、VB值和磨损图像。
优选地,步骤六具体为:
Step1、对三向加速度信号中每个方向加速度信号的时域、频域和小波域特征进行特征筛选,选出与三个刀刃后刀面VB值平均值的相关系数大于0.5的6个特征,记入n×6的筛选特征矩阵中,其中的n为走刀次数,6为筛选过后的特征数目。之后,对筛选特征矩阵中各元素进行均值归0操作。同样,对声信号的时域特征进行特征筛选,选出与三个刀刃后刀面VB值平均值的相关系数大于0.5的6个特征,记入n×6的筛选特征矩阵中,对该筛选特征矩阵中各元素也进行均值归0操作。
Step2、计算根据每个方向加速度信号得到的筛选特征矩阵中各元素均值归0后对应的特征值协方差矩阵,然后计算每个协方差矩阵的特征值与特征向量,将每个协方差矩阵的特征值不同解从大到小排序,设置主成分为3,将各特征值解对应的特征向量经过PCA处理后进行主成分方差贡献率的分析,将累计方差贡献率最大的三个特征向量中元素作为对应方向加速度信号的主特征。
Step3、将根据声信号得到的筛选特征矩阵中各元素均值归0后对应的特征值从大到小排序,取最前面的两个特征作为声信号的主特征。
Step4、将切削时间根据走刀次数单元化,一次走刀对应的时间定义为一个切削单元,最后将走刀次数进行归一化,得到旋转刀具的本征特征。
Step5、将各方向加速度信号的主特征、声信号的主特征和旋转刀具的本征特征结合得到融合特征。
优选地,步骤八具体为:使用圆形极坐标作为融合特征的坐标系,根据融合特征的12个特征分别围绕原点等间距建立12个极轴,每个极轴上的数值都限制在0-1之间,将走刀次数作为第一个轴,第2个轴至第10个轴顺次分配给三向加速度信号的9个主特征,剩余的2个轴分配给声信号的主特征,每次走刀将融合特征的值依次标记在各自的特征极轴上,顺次连接这些点形成闭环,建立所有走刀的特征融合图后,建立比例为8:2的训练集和测试集。
优选地,步骤九中建立基于特征融合图的集成神经网络模型指标,步骤如下:
构建基于特征融合图的集成神经网络的一级指标,分别是TP、FN、FP、TN。其中的TP表示真实值是正样本而集成神经网络认为是正样本的数量,FN表示真实值是正样本而集成神经网络认为是负样本的数量,FP表示真实值是负样本而集成神经网络认为是正样本的数量,TN表示真实值是负样本而集成神经网络认为是负样本的数量。
更优选地,构建基于特征融合图的集成神经网络的二级指标,分别是准确率Accuracy、精度Precision、召回率Recall和特异度Specificity。
本发明具有的有益效果如下:
本发明基于声振信号特征融合图构造了一种旋转刀具磨损的监测方法,其对检测信号进行时域、频域、波形和小波域特征提取,并将提取的特征与刀具磨损值进行相关性计算,选取相关系数大的特征与旋转刀具本征特征进行融合,来建立刀具磨损的特征融合图数据集;而且,使用模型融合技术建立具有三层网络融合的集成神经网络架构,采用特征融合图数据集进行训练和验证。本发明建立的集成神经网络对旋转刀具磨损的预测准确率达到了97.85%,且对前期磨损、中前期磨损、中期磨损、中后期磨损、后期磨损和失效的6种磨损等级中单个磨损类别的预测结果中,除中后期磨损的准确率未达到0.9,其余磨损类别的预测准确率均在0.95以上。
附图说明
图1为本发明流程图;
图2为本发明中声振信号刀具磨损测试平台的结构图;
图3为本发明中第一把刀C1的三条刀刃磨损曲线图;
图4(a)、图4(b)和图4(c)分别为本发明第一把刀C1的Y向加速度信号在时域、频域和小波域特征与旋转刀具三个刀刃后刀面VB值平均值的相关图;
图5为本发明的特征融合图;
图6为本发明中基于特征融合图的集成神经网络模型架构图。
具体实施方式
以下结合附图对本发明进行进一步说明。
如图1所示,一种基于声振信号特征融合图的旋转刀具磨损监测方法,具体如下:
步骤一、设置切削参数和走刀路径;
本实施例使用表1的切削参数对工件进行加工,其中刀具材料为HSS-Al,旋转刀具1的直径为16mm,切削刃长48mm,刀尖半径1.6mm,刀刃数为3。工件2材料选择45号钢,工件是一个100mm×100mm×80mm的立方块。走刀路径是在100mm×100mm平面内沿Y轴方向直线切削,每走100mm抬刀,向X轴方向进给0.1mm,沿Y轴方向反向进行下一条直线的切削,如此往复,一次走刀包含5条直线的切削刀路。
表1切削参数
步骤二、搭建声振信号刀具磨损测试平台,如图2所示,声振信号刀具磨损测试平台包括电子显微镜、信号采集仪、三向加速传感感器3、声级计4和图像采集设备。
选择机床VM-23S(A),刀具磨损量测量使用电子显微镜,并配合环形光源。为方便后期多通道信号的分析,使用16通道信号采集仪、三向加速传感感器3,声信号采集选用AWA5636声级计。
考虑工件的尺寸,对于三向加速传感器的固定,提供两套方案:
(1)三向加速度传感器与一个磁性底座通过螺纹连接进行固连,该磁性底座固定在机床的主轴上且与主轴底面的距离为50mm,出于测量精准考虑,尽量使每次切削过程中刀尖与三向加速度传感器的中心距离保持不变。此种三向加速传感器固定方式适用于工件的最大尺寸小于100mm。
(2)三向加速度传感器与磁性底座通过螺纹连接进行固连,该磁性底座固定在机床的主轴上且与主轴底面的距离为10mm。
声级计的固定方式为:铁制的万向杆前部钳住声级计的中后端,万向杆与另一个磁性底座通过螺纹连接进行固连,该磁性底座与机床的工作平台通过磁力实现固连,万向杆自身可以任意调节方向。
图像采集设备包括立式工业相机5和卧式工业相机6,如图2,两个工业相机的镜头头部为环形光源,用于提供刀具磨损部位足够的环境光。立式工业相机和卧式工业相机均通过螺纹连接固定到光学底板上,光学底板通过梯形螺母固定到机床的工作台上。可以使用定标尺给工业相机提供合适的像素当量值。
将三向加速度传感器的3条传输线连接到信号采集仪的1、2、3号通道,分别对应的X、Y、Z向的振动,声级计的1条传输线连接到信号采集的4号通道。立式工业相机5和卧式工业相机6的USB传输线直接与笔记本电脑连接。(使用声音校正器)对声级计进行标定,声压值显示为5.89~6.66时表明该仪器可以正常使用。选择20480为信号采集仪的采样频率。
步骤三、进行切削实验并获取切削过程的三向加速度信号、声信号、VB值和磨损图像。
机床热机10~15min,然后带动旋转刀具按照设置的切削参数和走刀路径对工件进行加工,加工过程中,三向加速度传感器和声级计的信号曲线一旦出现异常,或完成一次走刀(完成整个走刀路径)后,机床的主轴停止旋转并上升复位,三向加速度传感器和声级计停止信号采集,工作平台运动至图像采集设备对准旋转刀具,卧式工业相机拍摄旋转刀具侧部刀刃后刀面磨损部位的图像,测量三个刀刃对应的VB值,立式工业相机拍摄旋转刀具底部刀刃的磨损图像。在进行下一次走刀前,将三向加速度信号、声信号、VB值和磨损图像进行存储。如此循环往复,对3个旋转刀具进行试验,每个旋转刀具记录n=315次走刀对应的三向加速度信号、声信号、VB值和磨损图像。将3个旋转刀具按照切削顺序进行编号,建立3个文件目录,分别命名为C1、C2和C3。以C1为例,说明磨损图像命名规则C1_1_001_005_flute1,1代表第一次走刀,001_005代表切削出的第1条直线到第5条直线,flute1代表此次磨损图像对应的是旋转刀具的第1个切削刀刃。以C1为例,说明VB值文件的命名规则C1_csv,C1为旋转刀具编号,C1_csv记录315次切削中3个刀刃的VB值测量结果,每一行的前三个值对应经过一次走刀后对3个刀刃的VB值测量结果,并在每一行中的第四个值和第五个值记录3个刀刃VB值的平均值和最大值。以C1为例,说明三向加速度信号与声信号文件的命名规则C1_1_001_005_ch4,1代表第一次走刀,001_005代表切削出的第1条直线到第5条直线,ch4代表此次切削过程采集了4个通道的信号即三向加速信号3个通道和1个声信号通道,此文件中的第一列为采集的点数,其余列按照切削顺序分别对应3个加速信号通道和1个声信号通道。
步骤四、从三向加速度信号的每个方向加速度信号中提取时域特征和波形特征,共11类特征值,分别为均值、标准差、偏度、峰度、峰峰值、均方根、波峰因子、波形因子、脉冲因子、裕度因子、能量。时域特征和波形特征的计算公式见表2。然后,从三向加速度信号的每个方向加速度信号中提取频域特征,共11类特征值,分别为频域幅值平均值、重心频率、均方频率、频率方差、频率幅值方差、平均频率、中值频率、总功率、平均功率、最大功率对应频率和低频功率与高频功率比。频率特征的计算公式见表3。接着,使用db6小波变换(小波包分解层数是3)对三向加速度信号的每个方向加速度信号进行小波包分解和小波包重构处理,获取8个小波能量比、8个小波能量熵、1个小波能谱熵,同时对三向加速度信号进行奇异分解获取1个小波包奇异谱熵,因此在小波域上共计提取了18个特征。完成时域、波形、频域、小波域特征提取后,从三向加速度信号得到的振动信号特征矩阵大小3×40。最后,针对声信号,由于其容易受到机床工作产生的声音和气泵充气产生的声音等影响,不对声信号做频域与小波域上的特征提取,仅在时域上进行特征提取,得到的声信号特征矩阵大小为1×11,至此声振信号(包括三向加速度信号和声信号)的特征提取完成,从三向加速度信号和声信号共计提取到131个特征。
表2时域特征和波形特征
其中,xi代表一次走刀中i时刻采集的三向加速度值,NS代表一次走刀中采集的三向加速度值总数。
表3频域特征
其中,s(k)为三向加速度信号时域序列经过FFT变换后形成的序列中第k条谱线对应的幅值,S1~S5从FFT变换获得的特征,而S6~S11是在功率谱上提取的特征;N代表FFT变换后的总谱线数目,fk代表第k条谱线的频率值,P(f)为功率谱函数,w为最大功率对应的频率值,Smax为频率w对应的幅值,sl为低频区间中的最大频率值,sh为高频区间中的最大频率值,低频区间为5khz以内,其余为高频区间。
步骤五、三向加速度信号特征和声信号特征与三个刀刃后刀面VB值平均值之间的相关性计算。
使用Python Pandas模块提取C1_csv中的数据后,配合Python的NumPy和Matplotlib模块对旋转刀具的三向加速度信号三个通道上的时域特征、频域特征和小波域特征结合声信号的时域特征共计131个特征分别与三个刀刃后刀面VB值平均值求相关系数,具体是先求三向加速度信号的时域特征、频域特征和小波域特征与三个刀刃后刀面VB值平均值的相关系数,再求声信号的时域特征与三个刀刃后刀面VB值平均值的相关系数。相关系数计算公式如下:
通过式(1.1)将三向加速度信号和声信号共计提取到的131个特征进行了归一化,其中的Xi代表没有被归一化的第i个特征的特征向量,其矩阵大小是315行、1列,记为(315,1),Fi代表Xi归一化后的特征向量,xmax是Xi中的最大值,xmin是Xi中的最小值,Xmin是由131个xmin构成的与Xi矩阵大小相同的向量;通过式(1.2)来计算特征向量X和Y的协方差,特征向量X和Y取自i不同的两个Fi,其中的xj和yj分别代表特征向量X和Y中的第j个元素,μX代表特征向量X中所有元素的均值,μY代表特征向量Y中所有元素的均值,n代表旋转刀具的走刀次数;式(1.3)用于计算特征向量X和Y的相关系数,其中σX代表特征向量X中所有元素的方差,σY代表特征向量Y中所有元素的方差。图4(a)、图4(b)和图4(c)中仅展示了C1旋转刀具的Y向加速度信号时域、频域和小波域与三个刀刃后刀面VB值平均值的相关系数图,图4(a)中的0-10代表Y向加速度信号的11个时域特征,11代表三个刀刃后刀面VB值平均值,图4(b)中的0-10代表Y向加速度信号的11个频域特征,11代表三个刀刃后刀面VB值平均值,图4(c)中0-17代表Y向加速度信号的18个小波域特征,18代表三个刀刃后刀面VB值平均值,需要说明的是,对于本发明而言,图4(a)、图4(b)和图4(c)实际有用的只是与三个刀刃后刀面VB值平均值相关的相关系数。
步骤六、筛选出与三个刀刃后刀面VB值平均值的相关系数大于0.5的特征,得到筛选特征矩阵,对筛选特征矩阵中各元素进行均值归0操作,然后使用Python Scikit-Learn模块实现与磨损量高度相关的三向加速度信号、声信号特征与旋转刀具本征特征的融合,具体步骤如下:
Step1、对三向加速度信号中每个方向加速度信号的时域、频域和小波域特征进行特征筛选,选出与三个刀刃后刀面VB值平均值的相关系数大于0.5的6个特征,记入n×6的筛选特征矩阵中,其中的n为走刀次数,6为筛选过后的特征数目。之后,对筛选特征矩阵中各元素进行均值归0操作,公式如下:
其中,fij代表筛选特征矩阵中的第i行、第j列元素,为第j列元素的平均值,f′ij为筛选特征矩阵中各元素均值归零后的值。
同样,对声信号的时域特征进行特征筛选,选出与三个刀刃后刀面VB值平均值的相关系数大于0.5的6个特征,记入n×6的筛选特征矩阵中,对该筛选特征矩阵中各元素也进行均值归0操作。
Step2、使用Python Scikit-Learn模块,计算根据每个方向加速度信号得到的筛选特征矩阵中各元素均值归0后对应的特征值协方差矩阵
其中,fj代表记录n次走刀后第j个特征的矩阵,fk代表记录n次走刀后第k个特征的矩阵,f′ij和f′ik分别代表第i次走刀的第j个特征和第k个特征,C代表协方差矩阵,cov(fj,fk)代表fj和fk的协方差。
然后计算每个协方差矩阵的特征值与特征向量
Cp=λp (1.5)
其中,λ是C的特征值,p是最终得到的协方差矩阵的特征向量。
将每个协方差矩阵的特征值不同解从大到小排序,设置主成分为3,将各特征值解对应的特征向量经过PCA处理后进行主成分方差贡献率的分析,将累计方差贡献率最大的三个特征向量中元素作为对应方向加速度信号的主特征。
Step3、将根据声信号得到的筛选特征矩阵中各元素均值归0后对应的特征值从大到小排序,取最前面的两个特征作为声信号的主特征。
Step4、将切削时间根据走刀次数单元化,一次走刀对应的时间定义为一个切削单元,最后将走刀次数进行归一化,得到旋转刀具的本征特征。
Step5、将各方向加速度信号的主特征、声信号的主特征和旋转刀具的本征特征结合得到融合特征,融合特征的特征个数为12个,9个特征来自三向加速度信号,2个特征来自于声信号,1个特征为旋转刀具的本征特征(表征走刀次数的特征)。
步骤七、刀具磨损状态的分类综合考虑曲线的凹凸性、增减性和曲线拟合的型次,并结合设定磨损指标,最终将旋转刀具的磨损等级分为6类,见表4,其中,刀具磨损值区间中的磨损值指的是三个刀刃后刀面磨损带宽的平均值,以C1为例,三个刀刃的磨损曲线详细情况如图3。
表4磨损等级
磨损等级 | 磨损状态 | 磨损值区间 | 样本数量 |
1 | 前期磨损 | 0-80 | 143 |
2 | 中前期磨损 | 80-95 | 179 |
3 | 中期磨损 | 95-100 | 105 |
4 | 中后期磨损 | 100-120 | 195 |
5 | 后期磨损 | 120-150 | 160 |
6 | 失效 | >150 | 163 |
步骤八、建立刀具磨损的特征融合图数据集
以每一次走刀为一个样本,每个样本对应12个特征。为了适应神经网络的感受野的尺寸并提高训练速度,选择使用具有对称性的圆形极坐标作为融合特征的坐标系,圆形极坐标是根据12个特征分别围绕原点等间距建立12个极轴,每个极轴上的数值都限制在0-1之间,将走刀次数作为第一个轴,第2个轴至第10个轴顺次分配给三向加速度信号的9个主特征,剩余的2个轴分配给声信号的主特征,每次走刀将融合特征的值依次标记在各自的特征极轴上,顺次连接这些点形成闭环,从而完成一个样本的特征融合图的建立。建立所有样本的特征融合图。以C1为例,最终的特征融合图如图5所示。然后根据表5建立训练集和测试集,具体为:在data目录下创建文件目录Train和Test,每个文件目录中包含6个子目录,每个子目录放入磨损等级类别对应序号和指定数目的特征融合图,Train中放入的是训练集,Test中放入的是测试集,训练集和测试集的比例为8:2。最后,使用Pytorch中torchvision.datasets.ImageFolde、torchvision.transform和torch.utils.data.DataLoader将data目录下的文件目录Train和Test中特征融合图数据封装成神经网络可以训练和测试的数据集。区别于使用传统的STFT和频谱图进行训练,使用信息图(特征融合图)进行训练所需的时间更少,大幅减少了计算资源,从根源上解决因模型参数过多导致模型训练慢的问题。
表5特征融合图数据集
磨损等级类别 | C1 | C2 | C3 | 数量 |
1 | 001-034 | 001-085 | 001-024 | 143 |
2 | 035-126 | 086-143 | 025-053 | 179 |
3 | 127-150 | 144-214 | 054-064 | 105 |
4 | 151-211 | 215-242 | 064-169 | 195 |
5 | 212-286 | 243-269 | 170-227 | 160 |
6 | 287-315 | 270-315 | 228-315 | 163 |
步骤九、使用模型融合技术建立集成神经网络架构并进行训练和验证。
首先,参考CNN中的轻量型的网络框架来搭建基于特征融合图的集成神经网络,整个网络框架如图6,整个网络主要由网络一、网络二、网络三和投票器组件构成;网络一作为集成神经网络的上层架构,结构为2个卷积激活层、3个全连接层和1个Softmax分类器。网络二作为集成神经网络的中层架构,结构相对复杂,按照从左至右对应的结构为2个卷积激活层与1个卷积池化层的组合层、2个卷积激活层与1个卷积池化层的组合层、3个卷积激活层与1个卷积池化层的组合层、3个卷积激活层与1个卷积池化层的组合层、3个卷积激活层与1个卷积池化层的组合层、2个带损失的全连接激活层、1个全连接层和1个Sotfmax分类器。网络三作为集成神经网络的下层架构,结构为1个卷积激活层与1个卷积池化层的组合层、1个卷积激活层与1个卷积池化层的组合层、3个卷积激活层与1个卷积池化层的组合层、2个带损失的全连接激活层、1个全连接激活层、1个全连接层和1个Softmax分类器。
其中卷积激活层用于实现卷积操作学习特征融合图的特征,卷积池化层用于实现特征融合图的缩减实现特征的降维,全连接激活层中的全连接作为靠近输出结果的线性层,可以通过训练得到合适的权重,其中的激活层使用的是Relu函数,Relu激活层用于避免仿射变换,通过引入非线性来增强拟合的能力,带损失的全连接激活层区别于全连接激活层,引入损失技术将部分神经元的值直接置0以抑制模型的过拟合。投票器组件用于实现网络一、网络二和网络三模型的融合,采用软投票技术将具有最高概率的旋转刀具的磨损等级类别作为自己的预测。
Relu函数的表达式如下
f(x)=max(x,0) (1.6)
其中x代表前一层输出张量中的值,f(x)代表经过Relu函数后的输出值,也是当前层的输出值。
Softmax分类器中Softamx函数的表达式如下
其中fy是全连接层输出张量中的值,fc是全连接层针对旋转刀具的磨损等级类别c的输出结果,C是需要分类的总个数,即旋转刀具的磨损等级类别数,softmax函数的输出值p(y|x)代表预测值是旋转刀具的磨损等级类别y的概率值。
其次,设置损失函数和迭代器,迭代器选择Adam,损失函数L的公式如下
其中vi是Softmax分类器前一层的旋转刀具的磨损等级类别i输出结果,vj是Softmax分类器前一层的旋转刀具的磨损等级类别j输出结果。
然后,通过训练集对基于特征融合图的集成神经网络进行训练,建立基于特征融合图的集成神经网络模型指标,对基于特征融合图的集成神经网络在测试集上进行验证。
训练参数中网络一的学习率为0.0001,网络二的学习率为0.00001,网络三的学习率为0.0001,训练过程中使用早停法来缓解集成神经网络的过拟合,训练的周期为300。
建立基于特征融合图的集成神经网络模型指标,步骤如下:
Step 1、构建基于特征融合图的集成神经网络的一级指标,分别是TP、FN、FP、TN。其中的TP表示真实值是正样本而集成神经网络认为是正样本的数量,FN表示真实值是正样本而集成神经网络认为是负样本的数量,FP表示真实值是负样本而集成神经网络认为是正样本的数量,TN表示真实值是负样本而集成神经网络认为是负样本的数量。
Step2、面对数据量大的,使用一级指标很难衡量集成神经网络模型的优劣,因此构建基于特征融合图的集成神经网络的二级指标,分别是准确率Accuracy、精度Precision、召回率Recall和特异度Specificity,计算如下:
本发明对6种磨损等级类别在测试集上的预测均得到不错的结果,对整个测试集的预测准确率达到了97.85%,对单个磨损等级类别预测的二级指标表现见表6,其中,除了第4类的准确率未达到0.9,其余的类别的预测准确率均在0.95以上。
表6集成神经网络对单个磨损等级类别预测在测试集上的二级指标表现
Claims (6)
1.一种基于声振信号特征融合图的旋转刀具磨损监测方法,其特征在于:具体如下:
步骤一、设置切削参数和走刀路径;
步骤二、搭建声振信号刀具磨损测试平台,声振信号刀具磨损测试平台包括电子显微镜、信号采集仪、三向加速传感感器、声级计和图像采集设备,图像采集设备包括立式工业相机和卧式工业相机,三向加速度传感器与机床的主轴固定,声级计、立式工业相机和卧式工业相机均与机床的工作台固定;
步骤三、进行切削实验并获取切削过程的三向加速度信号、声信号、VB值和磨损图像;
步骤四、从三向加速度信号的每个方向加速度信号中提取时域特征和波形特征,共11类特征值,分别为均值、标准差、偏度、峰度、峰峰值、均方根、波峰因子、波形因子、脉冲因子、裕度因子、能量;然后,从三向加速度信号的每个方向加速度信号中提取频域特征,共11类特征值,分别为频域幅值平均值、重心频率、均方频率、频率方差、频率幅值方差、平均频率、中值频率、总功率、平均功率、最大功率对应频率和低频功率与高频功率比;接着,使用小波变换对三向加速度信号的每个方向加速度信号进行小波包分解和小波包重构处理,获取8个小波能量比、8个小波能量熵、1个小波能谱熵,同时对三向加速度信号进行奇异分解获取1个小波包奇异谱熵;完成时域、波形、频域、小波域特征提取后,从三向加速度信号得到振动信号特征矩阵;最后,针对声信号,仅在时域上进行特征提取,得到声信号特征矩阵;
步骤五、先求三向加速度信号的时域特征、频域特征和小波域特征与三个刀刃后刀面VB值平均值的相关系数,再求声信号的时域特征与三个刀刃后刀面VB值平均值的相关系数;
步骤六、筛选出与三个刀刃后刀面VB值平均值的相关系数大于0.5的特征,得到筛选特征矩阵,对筛选特征矩阵中各元素进行均值归0操作,然后实现三向加速度信号、声信号特征与旋转刀具本征特征的融合;
步骤七、将旋转刀具的磨损等级分为6类,见下表,其中,刀具磨损值区间中的磨损值指的是三个刀刃后刀面磨损带宽的平均值;
步骤八、建立刀具磨损的特征融合图数据集;
步骤九、使用模型融合技术建立集成神经网络架构并进行训练和验证,具体为:搭建基于特征融合图的集成神经网络,主要由网络一、网络二、网络三和投票器组件构成;网络一作为集成神经网络的上层架构,结构为2个卷积激活层、3个全连接层和1个Softmax分类器;网络二作为集成神经网络的中层架构,结构为从左至右的2个卷积激活层与1个卷积池化层的组合层、2个卷积激活层与1个卷积池化层的组合层、3个卷积激活层与1个卷积池化层的组合层、3个卷积激活层与1个卷积池化层的组合层、3个卷积激活层与1个卷积池化层的组合层、2个带损失的全连接激活层、1个全连接层和1个Sotfmax分类器;网络三作为集成神经网络的下层架构,结构为1个卷积激活层与1个卷积池化层的组合层、1个卷积激活层与1个卷积池化层的组合层、3个卷积激活层与1个卷积池化层的组合层、2个带损失的全连接激活层、1个全连接激活层、1个全连接层和1个Softmax分类器;设置损失函数和迭代器,通过训练集对基于特征融合图的集成神经网络进行训练,建立基于特征融合图的集成神经网络模型指标,对基于特征融合图的集成神经网络在测试集上进行验证。
2.根据权利要求1所述一种基于声振信号特征融合图的旋转刀具磨损监测方法,其特征在于:步骤三具体为:机床带动旋转刀具按照设置的切削参数和走刀路径对工件进行加工,加工过程中,三向加速度传感器和声级计的信号曲线一旦出现异常,或完成一次走刀后,机床的主轴停止旋转并上升复位,三向加速度传感器和声级计停止信号采集,工作平台运动至图像采集设备对准旋转刀具,卧式工业相机拍摄旋转刀具侧部刀刃后刀面磨损部位的图像,测量三个刀刃对应的VB值,立式工业相机拍摄旋转刀具底部刀刃的磨损图像;在进行下一次走刀前,将三向加速度信号、声信号、VB值和磨损图像进行存储;对3个旋转刀具进行试验,每个旋转刀具记录n=315次走刀对应的三向加速度信号、声信号、VB值和磨损图像。
3.根据权利要求1所述一种基于声振信号特征融合图的旋转刀具磨损监测方法,其特征在于:步骤六具体为:
Step1、对三向加速度信号中每个方向加速度信号的时域、频域和小波域特征进行特征筛选,选出与三个刀刃后刀面VB值平均值的相关系数大于0.5的6个特征,记入n×6的筛选特征矩阵中,其中的n为走刀次数,6为筛选过后的特征数目;之后,对筛选特征矩阵中各元素进行均值归0操作;同样,对声信号的时域特征进行特征筛选,选出与三个刀刃后刀面VB值平均值的相关系数大于0.5的6个特征,记入n×6的筛选特征矩阵中,对该筛选特征矩阵中各元素也进行均值归0操作;
Step2、计算根据每个方向加速度信号得到的筛选特征矩阵中各元素均值归0后对应的特征值协方差矩阵,然后计算每个协方差矩阵的特征值与特征向量,将每个协方差矩阵的特征值不同解从大到小排序,设置主成分为3,将各特征值解对应的特征向量经过PCA处理后进行主成分方差贡献率的分析,将累计方差贡献率最大的三个特征向量中元素作为对应方向加速度信号的主特征;
Step3、将根据声信号得到的筛选特征矩阵中各元素均值归0后对应的特征值从大到小排序,取最前面的两个特征作为声信号的主特征;
Step4、将切削时间根据走刀次数单元化,一次走刀对应的时间定义为一个切削单元,最后将走刀次数进行归一化,得到旋转刀具的本征特征;
Step5、将各方向加速度信号的主特征、声信号的主特征和旋转刀具的本征特征结合得到融合特征。
4.根据权利要求3所述一种基于声振信号特征融合图的旋转刀具磨损监测方法,其特征在于:步骤八具体为:使用圆形极坐标作为融合特征的坐标系,根据融合特征的12个特征分别围绕原点等间距建立12个极轴,每个极轴上的数值都限制在0-1之间,将走刀次数作为第一个轴,第2个轴至第10个轴顺次分配给三向加速度信号的9个主特征,剩余的2个轴分配给声信号的主特征,每次走刀将融合特征的值依次标记在各自的特征极轴上,顺次连接这些点形成闭环,建立所有走刀的特征融合图后,建立比例为8:2的训练集和测试集。
5.根据权利要求1所述一种基于声振信号特征融合图的旋转刀具磨损监测方法,其特征在于:步骤九中建立基于特征融合图的集成神经网络模型指标,步骤如下:
构建基于特征融合图的集成神经网络的一级指标,分别是TP、FN、FP、TN;其中的TP表示真实值是正样本而集成神经网络认为是正样本的数量,FN表示真实值是正样本而集成神经网络认为是负样本的数量,FP表示真实值是负样本而集成神经网络认为是正样本的数量,TN表示真实值是负样本而集成神经网络认为是负样本的数量。
6.根据权利要求5所述一种基于声振信号特征融合图的旋转刀具磨损监测方法,其特征在于:构建基于特征融合图的集成神经网络的二级指标,分别是准确率Accuracy、精度Precision、召回率Recall和特异度Specificity。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310380723.8A CN116787225A (zh) | 2023-04-10 | 2023-04-10 | 一种基于声振信号特征融合图的旋转刀具磨损监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310380723.8A CN116787225A (zh) | 2023-04-10 | 2023-04-10 | 一种基于声振信号特征融合图的旋转刀具磨损监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116787225A true CN116787225A (zh) | 2023-09-22 |
Family
ID=88045327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310380723.8A Pending CN116787225A (zh) | 2023-04-10 | 2023-04-10 | 一种基于声振信号特征融合图的旋转刀具磨损监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116787225A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495211A (zh) * | 2024-01-03 | 2024-02-02 | 东北大学 | 基于自适应周期发现的工业母机加工工件质量预测方法 |
CN117798748A (zh) * | 2024-02-29 | 2024-04-02 | 珠海市申科谱工业科技有限公司 | 一种用于cnc倾斜主轴的自动视觉标定测量系统及测量方法 |
CN117816530A (zh) * | 2024-03-04 | 2024-04-05 | 太仓瑞鼎精密机械科技有限公司 | 用于金属切削刀具回收筛选的振动筛控制装置 |
CN117874490A (zh) * | 2023-12-25 | 2024-04-12 | 湖南君领科技有限公司 | 一种多螺栓松动监测方法、系统及存储介质 |
-
2023
- 2023-04-10 CN CN202310380723.8A patent/CN116787225A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117874490A (zh) * | 2023-12-25 | 2024-04-12 | 湖南君领科技有限公司 | 一种多螺栓松动监测方法、系统及存储介质 |
CN117495211A (zh) * | 2024-01-03 | 2024-02-02 | 东北大学 | 基于自适应周期发现的工业母机加工工件质量预测方法 |
CN117495211B (zh) * | 2024-01-03 | 2024-03-19 | 东北大学 | 基于自适应周期发现的工业母机加工工件质量预测方法 |
CN117798748A (zh) * | 2024-02-29 | 2024-04-02 | 珠海市申科谱工业科技有限公司 | 一种用于cnc倾斜主轴的自动视觉标定测量系统及测量方法 |
CN117798748B (zh) * | 2024-02-29 | 2024-05-14 | 珠海市申科谱工业科技有限公司 | 一种用于cnc倾斜主轴的自动视觉标定测量系统及测量方法 |
CN117816530A (zh) * | 2024-03-04 | 2024-04-05 | 太仓瑞鼎精密机械科技有限公司 | 用于金属切削刀具回收筛选的振动筛控制装置 |
CN117816530B (zh) * | 2024-03-04 | 2024-05-14 | 太仓瑞鼎精密机械科技有限公司 | 用于金属切削刀具回收筛选的振动筛控制装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116787225A (zh) | 一种基于声振信号特征融合图的旋转刀具磨损监测方法 | |
CN109822399B (zh) | 基于并行深度神经网络的数控机床刀具磨损状态预测方法 | |
CN109158953B (zh) | 一种刀具磨损状态在线监测方法及系统 | |
Guo et al. | Online remaining useful life prediction of milling cutters based on multisource data and feature learning | |
Teti et al. | Advanced monitoring of machining operations | |
CN113378725B (zh) | 一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质 | |
CN112766182B (zh) | 一种拉削刀具磨损状态识别方法 | |
CN109158954B (zh) | 一种基于声信号检测的超声刀具磨损状态识别方法与系统 | |
CN112692646B (zh) | 一种刀具磨损状态智能评估方法及装置 | |
CN110059442A (zh) | 一种基于零件表面粗糙度和功率信息的车削加工换刀方法 | |
WO2016004749A1 (zh) | 一种大型数控铣床刀具磨损程度识别方法 | |
CN109947047B (zh) | 一种电主轴失衡故障诊断方法 | |
CN112372371B (zh) | 数控机床刀具磨损状态评估方法 | |
CN114619292A (zh) | 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法 | |
CN108520125A (zh) | 一种预测刀具磨损状态的方法及系统 | |
CN113609789A (zh) | 一种基于时空特征并行提取的刀具磨损状态预测方法 | |
CN109333159B (zh) | 刀具磨损状态在线监测的深度核极限学习机方法及系统 | |
Du et al. | Intelligent turning tool monitoring with neural network adaptive learning | |
CN112207631A (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
Zheng et al. | Tool wear condition monitoring in milling process based on data fusion enhanced long short-term memory network under different cutting conditions | |
CN114227382B (zh) | 基于新型胶囊网络的刀具破损监测系统及方法 | |
CN108393744B (zh) | 一种刀具状态多传感监测方法 | |
CN112077667B (zh) | 一种自动换刀装置运行状态检测方法 | |
CN116934062B (zh) | 一种基于多元融合的信息处理系统及方法 | |
CN109434562A (zh) | 基于划分聚类的铣削刀具磨损状态识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |